文章目录

  • 例题
  • 例图
  • 代码展示

例题

乙醇偶合制备 C4 烯烃

C4 烯烃广泛应用于化工产品及医药的生产，乙醇是生产制备 C4 烯烃的原料。

在制备过程中，催化剂组合（即：Co 负载量、Co/SiO2 和 HAP 装料比、乙醇浓度
的组合）与温度对 C4 烯烃的选择性和 C4 烯烃收率将产生影响（名词解释见附录）。
因此通过对催化剂组合设计，探索乙醇催化偶合制备 C4 烯烃的工艺条件具有非常
重要的意义和价值。

某化工实验室针对不同催化剂在不同温度下做了一系列实验，结果如附件 1 和
附件 2 所示。请通过数学建模完成下列问题：

(1) 对附件 1 中每种催化剂组合，分别研究乙醇转化率、C4 烯烃的选择性与温
度的关系，并对附件 2 中 350 度时给定的催化剂组合在一次实验不同时间的测试结
果进行分析。

(2) 探讨不同催化剂组合及温度对乙醇转化率以及 C4 烯烃选择性大小的影响。

(3) 如何选择催化剂组合与温度，使得在相同实验条件下 C4 烯烃收率尽可能
高。若使温度低于 350 度，又如何选择催化剂组合与温度，使得 C4 烯烃收率尽可
能高。

(4) 如果允许再增加 5 次实验，应如何设计，并给出详细理由。

例图

代码展示

# -*- codeing = utf-8 -*-
# @Time : 2021/9/11  20:45
# @Author : slience_me
# @File : LS_9_11_1.py
# @Software : 数学建模
# - * - coding: utf - 8 -*-import mathimport matplotlib.pyplot as plt
import numpy as np
import pylab as pl
from pylab import mpl
from scipy.optimize import leastsqmpl.rcParams['font.sans-serif'] = ['FangSong']
mpl.rcParams['axes.unicode_minus'] = Falsedef func_Ls(X_list, Y_list, Y_list_, label_list, y_label, title_list, times, row):def get_ls(Xi, Yi):def regression_assessment(y_actual_, y_predicted_):y_actual = y_actual_y_predicted = y_predicted_# mae = mean_absolute_error(y_actual, y_predicted)# mape = np.mean(np.abs((y_predicted - y_actual) / y_actual)) * 100# mse = mean_squared_error(y_actual, y_predicted)sse = np.sum((y_actual - y_predicted) ** 2)ssr = np.sum((y_predicted - np.mean(y_actual)) ** 2)sst = np.sum((y_actual - np.mean(y_actual)) ** 2)r2 = 1 - sse / sst  # r2_score(y_actual, y_predicted, multioutput='raw_values')# rmse = np.sqrt(mean_squared_error(y_actual, y_predicted))# count = np.size(y_predicted)# predictionMean = np.mean(y_predicted)# yMean = np.mean(y_actual)try:r = math.sqrt(r2)except ValueError:r = np.nan# print('mae：', mae)# print('mape：', mape)# print('mse：', mse)# print('r：', r)print('r2：', r2)# print('rmse：', rmse)print('sse：', sse)print('ssr：', ssr)print('sst：', sst)# print('count：', count)# print('predictionMean：', predictionMean)# print('yMean：', yMean)return r2def func1(p, x):k, b = preturn k * x + bdef func2(p, x):a, b, c = preturn a * x ** 2 + b * x + cdef func3(p, x):k, b, c = preturn k * np.exp(-b * x) + cdef error1(p, x, y, s):print(s)return func1(p, x) - y  # x、y都是列表，故返回值也是个列表def error2(p, x, y, s):print(s)return func2(p, x) - y  # x、y都是列表，故返回值也是个列表def error3(p, x, y, s):print(s)return func3(p, x) - y  # x、y都是列表，故返回值也是个列表# TESTp01 = [100, 2]s1 = "Test the number of iteration"  # 试验最小二乘法函数leastsq得调用几次error函数才能找到使得均方误差之和最小的k、bPara1 = leastsq(error1, p01, args=(Xi, Yi, s1))  # 把error函数中除了p以外的参数打包到args中k1, b1 = Para1[0]print("k=", k1, '\n', "b=", b1)p02 = [5, 2, 10]s2 = "Test the number of iteration"  # 试验最小二乘法函数leastsq得调用几次error函数才能找到使得均方误差之和最小的a~cPara2 = leastsq(error2, p02, args=(Xi, Yi, s2))  # 把error函数中除了p以外的参数打包到args中a2, b2, c2 = Para2[0]print("a=", a2, '\n', "b=", b2, "c=", c2)p03 = [0, 0, 0]s3 = "Test the number of iteration"  # 试验最小二乘法函数leastsq得调用几次error函数才能找到使得均方误差之和最小的a~cPara3 = leastsq(error3, p03, args=(Xi, Yi, s3))  # 把error函数中除了p以外的参数打包到args中k3, b3, c3 = Para3[0]print("k3=", k3, '\n', "b3=", b3)y1_predicted_ = []y2_predicted_ = []y3_predicted_ = []for i in Xi:print(i)y_temp_1 = k1 * i + b1y1_predicted_.append(y_temp_1)y_temp_2 = a2 * i ** 2 + b2 * i + c2y2_predicted_.append(y_temp_2)y_temp_3 = k3 * np.exp(-b3 * i) + c3y3_predicted_.append(y_temp_3)y1_predicted_ = np.array(y1_predicted_)y2_predicted_ = np.array(y2_predicted_)y3_predicted_ = np.array(y3_predicted_)r2_1 = regression_assessment(Yi, y1_predicted_)r2_2 = regression_assessment(Yi, y2_predicted_)r2_3 = regression_assessment(Yi, y3_predicted_)data1 = (k1, b1, a2, b2, c2, k3, b3, c3)data2 = (r2_1, r2_2, r2_3)return data1, data2def draw():plt.figure(figsize=(20, 30), dpi=80)num = 0for i in range(1, times):print(num)if i % 2 == 0:fig1 = pl.subplot(row, 2, i)pl.scatter(X_list[num], Y_list[num], color="red", label="Point", linewidth=3)  # 画样本点data1, data2 = get_ls(X_list[num], Y_list[num])k1, b1, a2, b2, c2, k3, b3, c3 = data1[0], data1[1], data1[2], data1[3], data1[4], data1[5], data1[6], data1[7]r2_1, r2_2, r2_3 = data2[0], data2[1], data2[2],x = np.linspace(200, 500, 1000)y1 = k1 * x + b1y2 = a2 * x ** 2 + b2 * x + c2y3 = k3 * np.exp(-b3 * x) + c3plt.plot(x, y1, label="{} 线性, 可决系数为 {}".format(label_list[num], r2_1), linewidth=2)  # 画拟合直线plt.plot(x, y2, label="{} 二次, 可决系数为 {}".format(label_list[num], r2_2), linewidth=2)  # 画拟合直线plt.plot(x, y3, label="{} 指数 , 可决系数为 {}".format(label_list[num], r2_3), linewidth=2)  # 画拟合直线plt.xlabel("温度变化")plt.ylabel("{}".format(y_label[1]))plt.title("{}".format(label_list[num] + "  " + title_list[num]))plt.legend()num += 1print("绘制图{}".format(i))else:fig2 = pl.subplot(row, 2, i)pl.scatter(X_list[num], Y_list_[num], color="red", label="Point", linewidth=3)  # 画样本点data1, data2 = get_ls(X_list[num], Y_list[num])k1, b1, a2, b2, c2, k3, b3, c3 = data1[0], data1[1], data1[2], data1[3], data1[4], data1[5], data1[6], \data1[7]r2_1, r2_2, r2_3 = data2[0], data2[1], data2[2],x = np.linspace(200, 500, 1000)y1 = k1 * x + b1y2 = a2 * x ** 2 + b2 * x + c2y3 = k3 * np.exp(-b3 * x) + c3plt.plot(x, y1, label="{} 线性, 可决系数为 {}".format(label_list[num], r2_1), linewidth=2)  # 画拟合直线plt.plot(x, y2, label="{} 二次, 可决系数为 {}".format(label_list[num], r2_2), linewidth=2)  # 画拟合直线plt.plot(x, y3, label="{} 指数 , 可决系数为 {}".format(label_list[num], r2_3), linewidth=2)  # 画拟合直线plt.xlabel("温度变化")plt.ylabel("{}".format(y_label[0]))plt.title("{}".format(label_list[num] + "  " + title_list[num]))plt.legend()print("绘制图{}".format(i))pl.tight_layout()  # 布局方法pl.show()  # 显示方法draw()x_A1 = np.array([250, 275, 300, 325, 350])
y_A1_1 = np.array([2.07, 5.85, 14.97, 19.68, 36.80])
y_A1_2 = np.array([34.05, 37.43, 46.94, 49.7, 47.21])x_A2 = np.array([250, 275, 300, 325, 350])
y_A2_1 = np.array([4.60, 17.20, 38.92, 56.38, 67.88])
y_A2_2 = np.array([18.07, 17.28, 19.6, 30.62, 39.1])x_A3 = np.array([250, 275, 300, 325, 350, 400, 450])
y_A3_1 = np.array([9.7, 19.2, 29.3, 37.6, 48.9, 83.7, 86.4])
y_A3_2 = np.array([5.5, 8.04, 17.01, 28.72, 36.85, 53.43, 49.9])x_A4 = np.array([250, 275, 300, 325, 350, 400])
y_A4_1 = np.array([4.0, 12.1, 29.5, 43.3, 60.5, 88.4])
y_A4_2 = np.array([9.62, 8.62, 10.72, 18.89, 27.25, 41.02])x_A5 = np.array([250, 275, 300, 325, 350, 400])
y_A5_1 = np.array([14.8, 12.4, 20.8, 28.3, 36.8, 76.0])
y_A5_2 = np.array([1.96, 6.65, 10.12, 13.86, 18.75, 38.23])x_A6 = np.array([250, 275, 300, 350, 400])
y_A6_1 = np.array([13.4, 12.8, 25.5, 55.8, 83.3])
y_A6_2 = np.array([3.3, 7.1, 7.18, 10.65, 37.33])x_A7 = np.array([250, 275, 300, 350, 400])
y_A7_1 = np.array([19.7, 29.0, 40.0, 58.6, 76.0])
y_A7_2 = np.array([5.75, 6.56, 8.84, 18.64, 33.25])x_A8 = np.array([250, 275, 300, 350, 400])
y_A8_1 = np.array([6.3, 8.8, 13.2, 31.7, 56.1])
y_A8_2 = np.array([5.63, 8.52, 13.82, 25.89, 41.42])x_A9 = np.array([250, 275, 300, 350, 400])
y_A9_1 = np.array([2.1, 3.0, 4.7, 13.4, 40.8])
y_A9_2 = np.array([5.4, 9.68, 16.1, 31.04, 42.04])x_A10 = np.array([250, 275, 300, 350, 400])
y_A10_1 = np.array([0.3, 1.0, 1.7, 9.0, 28.6])
y_A10_2 = np.array([2.19, 1.65, 2.17, 3.3, 10.29])x_A11 = np.array([250, 275, 300, 350, 400])
y_A11_1 = np.array([0.2, 0.5, 1.6, 8.2, 32.6])
y_A11_2 = np.array([0.1, 1, 1.82, 4.35, 7.93])x_A12 = np.array([250, 275, 300, 350, 400])
y_A12_1 = np.array([1.4, 3.5, 6.9, 19.9, 44.5])
y_A12_2 = np.array([6.17, 8.11, 11.22, 22.26, 36.3])x_A13 = np.array([250, 275, 300, 350, 400])
y_A13_1 = np.array([1.3, 2.3, 4.1, 14.6, 40.0])
y_A13_2 = np.array([5.19, 7.62, 12.74, 23.46, 27.91])x_A14 = np.array([250, 275, 300, 350, 400])
y_A14_1 = np.array([2.5, 5.3, 10.2, 24.0, 53.6])
y_A14_2 = np.array([1.89, 2.55, 3.61, 10.83, 22.3])x_B1 = np.array([250, 275, 300, 350, 400])
y_B1_1 = np.array([1.4, 3.4, 6.7, 19.3, 43.6])
y_B1_2 = np.array([6.32, 8.25, 12.28, 25.97, 41.08])x_B2 = np.array([250, 275, 300, 350, 400])
y_B2_1 = np.array([2.8, 4.4, 6.2, 16.2, 45.1])
y_B2_2 = np.array([3.26, 4.97, 9.32, 22.88, 38.7])x_B3 = np.array([250, 275, 300, 325, 350, 400])
y_B3_1 = np.array([0.4, 0.6, 1.1, 3.3, 6.0, 21.1])
y_B3_2 = np.array([2.85, 5.35, 7.61, 7.74, 13.81, 21.21])x_B4 = np.array([250, 275, 300, 325, 350, 400])
y_B4_1 = np.array([0.5, 1.1, 3.0, 6.1, 9.6, 33.5])
y_B4_2 = np.array([6.62, 6.62, 5.05, 8.33, 13.1, 21.45])x_B5 = np.array([250, 275, 300, 325, 350, 400])
y_B5_1 = np.array([2.1, 3.8, 5.8, 9.8, 15.9, 45.0])
y_B5_2 = np.array([4.3, 5.06, 7.92, 11.69, 15.34, 25.83])x_B6 = np.array([250, 275, 300, 325, 350, 400])
y_B6_1 = np.array([2.8, 7.5, 12.6, 15.9, 27.0, 63.2])
y_B6_2 = np.array([4.5, 4.79, 8.77, 16.06, 22.41, 30.48])x_B7 = np.array([250, 275, 300, 325, 350, 400])
y_B7_1 = np.array([4.4, 7.9, 11.7, 17.8, 30.2, 69.4])
y_B7_2 = np.array([4.08, 6.62, 12.86, 18.45, 25.05, 38.17])X_list = [x_A1, x_A2, x_A3, x_A4, x_A5, x_A6, x_A7, x_A8, x_A9, x_A10, x_A11, x_A12, x_A13, x_A14]
X_list_ = [x_B1, x_B2, x_B3, x_B4, x_B5, x_B6, x_B7]Y_list = [y_A1_1, y_A2_1, y_A3_1, y_A4_1, y_A5_1, y_A6_1, y_A7_1, y_A8_1, y_A9_1, y_A10_1, y_A11_1, y_A12_1, y_A13_1,y_A14_1]
Y_list_ = [y_A1_2, y_A2_2, y_A3_2, y_A4_2, y_A5_2, y_A6_2, y_A7_2, y_A8_2, y_A9_2, y_A10_2, y_A11_2, y_A12_2, y_A13_2,y_A14_2]
Y_list__ = [y_B1_1, y_B2_1, y_B3_1, y_B4_1, y_B5_1, y_B6_1, y_B7_1]
Y_list___ = [y_B1_2, y_B2_2, y_B3_2, y_B4_2, y_B5_2, y_B6_2, y_B7_2]label_list = ["A1", "A2", "A3", "A4", "A5", "A6", "A7", "A8", "A9", "A10", "A11", "A12", "A13", "A14"]
label_list_ = ["B1", "B2", "B3", "B4", "B5", "B6", "B7"]title_list = ["200mg 1wt%Co/SiO2- 200mg HAP-乙醇浓度1.68ml/min","200mg 2wt%Co/SiO2- 200mg HAP-乙醇浓度1.68ml/min","200mg 1wt%Co/SiO2- 200mg HAP-乙醇浓度0.9ml/min","200mg 0.5wt%Co/SiO2- 200mg HAP-乙醇浓度1.68ml/min","200mg 2wt%Co/SiO2- 200mg HAP-乙醇浓度0.3ml/min","200mg 5wt%Co/SiO2- 200mg HAP-乙醇浓度1.68ml/min","50mg 1wt%Co/SiO2- 50mg HAP-乙醇浓度0.3ml/min","50mg 1wt%Co/SiO2- 50mg HAP-乙醇浓度0.9ml/min","50mg 1wt%Co/SiO2- 50mg HAP-乙醇浓度2.1ml/min","50mg 5wt%Co/SiO2- 50mg HAP-乙醇浓度2.1ml/min","50mg 1wt%Co/SiO2+ 90mg石英砂-乙醇浓度1.68ml/min，无HAP","50mg 1wt%Co/SiO2- 50mg HAP-乙醇浓度1.68ml/min","67mg 1wt%Co/SiO2- 33mg HAP-乙醇浓度1.68ml/min","33mg 1wt%Co/SiO2- 67mg HAP-乙醇浓度1.68ml/min"]title_list_ = ["50mg 1wt%Co/SiO2- 50mg HAP-乙醇浓度1.68ml/min","100mg 1wt%Co/SiO2- 100mg HAP-乙醇浓度1.68ml/min","10mg 1wt%Co/SiO2- 10mg HAP-乙醇浓度1.68ml/min","25mg 1wt%Co/SiO2- 25mg HAP-乙醇浓度1.68ml/min","50mg 1wt%Co/SiO2- 50mg HAP-乙醇浓度2.1ml/min","75mg 1wt%Co/SiO2- 75mg HAP-乙醇浓度1.68ml/min","100mg 1wt%Co/SiO2- 100mg HAP-乙醇浓度0.9ml/min"
]
y_label = ["乙醇转化率变化", "C4烯烃选择性变化"]func_Ls(X_list, Y_list, Y_list_, label_list, y_label, title_list, int(29), int(14))
func_Ls(X_list_, Y_list__, Y_list___, label_list_, y_label, title_list_, int(15), int(7))

【数学建模相关】matplotlib画多个子图(散点图+ 拟合曲线 线性，二次，指数 求 可决系数r^2)相关推荐

  1. 【数学建模相关】matplotlib画多个子图(散点图为例 左右对照画图)

    文章目录 例题 例图 代码展示 例题 乙醇偶合制备 C4 烯烃 C4 烯烃广泛应用于化工产品及医药的生产,乙醇是生产制备 C4 烯烃的原料. 在制备过程中,催化剂组合(即:Co 负载量.Co/SiO2 ...

  2. 【githubboy】数学建模学习资源，包含数学建模相关的算法、LaTeX 论文模板、算法思维导图

    在 GitHub 开源了数学建模学习资源,主要包含数学建模相关的竞赛优秀论文.算法.LaTeX 论文模板.算法思维导图.书籍.Matlab 教程等内容. GitHub:github.com/zhanw ...

  3. 解决matplotlib画多幅子图时，出现图形部分重叠的问题

    1.问题描述: 问题解决前 问题解决后 2.解决方法: tight_layout()函数 3. fig.tight_layout()函数解释 : 功能:使得子图横纵坐标更加紧凑,主要用于自动调整图区的 ...

  4. matplotlib画多个子图

    查看数据中不同label的数值分布情况 import matplotlib.pyplot as plt plt.figure(figsize=(10,5), dpi=120) for i in ran ...

  5. 【数学建模笔记】【第七讲】多元线性回归分析（一）： 回归分析的定义、对于线性的理解以及内生性问题的探究

    多元线性回归分析 回归分析是数据分析中最基础也是最重要的分析工具,绝大多数的数据分析问题,都可以使用回归的思想来解决.回归分析的任务就是,通过研究自变量X和因变量Y的相关关系,尝试去解释Y的形成机制, ...

  6. 数学建模常用算法汇总及python，MATLAB实现（二）—— 整数规划

    整数规划 第3部分主要讲算法的具体实现, 如果对具体细节没有要求, 直接看1, 4就行, 直接用matlab内置的intlinprog函数或者python的cvxpy等第三方包 这里我个人更偏向于使用 ...

  7. 2022数学建模国赛B题：无人机定位（国二分享）

    无人机集群在遂行编队飞行时,为避免外界干扰,应尽可能保持电磁静默,少向外发射电 磁波信号.为保持编队队形,拟采用纯方位无源定位的方法调整无人机的位置,即由编队中某 几架无人机发射信号.其余无人机被动接 ...

  8. 介绍一下实现建模中可能用到的时间序列预测之线性二次移动平均,Excel的简单操作

    文章目录 一.线性移动平均法是什么? 1 .主要特点 2.不足 3.计算公式 二.操作步骤 1. 准备数据 2. 进行第一次移动平均 3. 在第一次移动平均的基础上进行二次移动平均 4. 代入公式进行 ...

  9. 数学建模超细致讲解，从建立模型到论文写作

    目录 奖状证书 赛事介绍 题型概况 获奖比例 比赛时间 官方网站 赛前准备 团队分工 建模 编程 写作 软件准备 知识体系 学习要点 资源推荐 bilibili 书籍 算法储备 赛事相关 比赛策略 评 ...

最新文章

  1. PCA（principal component analysis）主成分分析降维和KPCA（kernel principal component analysis​​​​​​​）核
  2. 毕设开发日志2017-11-03
  3. OpenJDK 正式宣布AWT、2D、Swing等项目解散
  4. 挑战独立开发项目能力___ITlanbao
  5. windows 内核情景分析
  6. 细胞培养中出现黑胶虫污染处理方法
  7. 机器学习：朴素贝叶斯分类器代码实现，决策函数非向量化方式
  8. C语言高级编程：数组和指针作为函数形参
  9. 【elasticsearch系列】SpringBoot整合elasticsearch客户端
  10. 红橙Darren视频笔记 数据库操作优化 数据查询（数据库操作）中
  11. Eclipse下PHP开发 插件安装
  12. sql row_number() over() 来自动产生行号
  13. 电路分压的基本公式忘记了~~
  14. 性能优化-service进程防杀
  15. VBA 获取最大行数和最大列数
  16. golang后端php前端,意外的golang（2018新年后端框架简单对比）
  17. fastjsonfastjson 1.2.24 反序列化导致任意命令执行
  18. Unity 之 实用技巧更换编辑器主题
  19. 自定义控件--优酷menu
  20. uniapp 使用微信扫一扫功能扫描指定二维码查看返回值

热门文章

  1. Laravel博客系统开发--登录功能
  2. 【知识兔】Excel教程这样的下拉菜单，99.9998%的人还不会
  3. Nebula offline解决
  4. 新坐骑，新道具，新的梦幻外传-梦幻奇游web
  5. 理解进程、线程以及上下文切换
  6. 获取两个List中的相同元素
  7. 比较两个list，分别取出相同或不同的部分
  8. 2020年度科研生活全方面总结
  9. 淘宝nginx编译安装
  10. 成年人的真正成熟，是从这5个“失去”开始的